Искусственный интеллект — ядро проектирования сетей 6G: управление спектром, маршрутизацией и сбоями

Операторы беспроводных сетей готовятся к эпохе инфраструктуры, где искусственный интеллект изначально встроен в архитектуру. Сети шестого поколения, коммерческое внедрение которых ожидается в ближайшее десятилетие, проектируются с ИИ в центре процессов распределения спектра, маршрутизации трафика и обнаружения сбоев.

Исследование учёных из Афинского университета имени Харокопио анализирует, как различные методы ИИ соотносятся с конкретными уровнями проектирования сетей 6G — от физического радиоуровня до управления сетью и предоставления услуг. Обзор охватывает публикации с 2018 по 2025 год и опирается на работы по стандартизации консорциума 3GPP, Фокус-группы МСЭ-Т по 6G и альянса O-RAN.

Нагрузка, которую предстоит выдержать сетям 6G

Целевые показатели производительности для 6G существенно выше, чем для 5G. Скорость передачи данных, по прогнозам, может превысить 10 терабит в секунду, в сравнении с примерно 10 гигабитами в секунду в современных сетях 5G. Сквозная задержка нацелена на уровень около 0,1 миллисекунды, что в десять раз лучше требования 5G в 1 миллисекунду. Целевые показатели надёжности для сверхкритичных приложений достигают 99,9999%, что охватывает такие сценарии, как управление автономным транспортом, дистанционная хирургия и промышленная автоматизация.

Ожидается также расширение зоны покрытия вглубь океана, под землю и в космическое пространство, обеспечивая связь в местах, недоступных для современных сетей.

Распределение ИИ по уровням сетевого стека

Исследователи классифицируют методы ИИ по месту их работы в сети. Традиционные методы машинного обучения применяются на физическом уровне для таких задач, как оценка канала и оптимизация лучей, включая работу с реконфигурируемыми интеллектуальными поверхностями. Глубокое обучение и обучение с подкреплением функционируют на уровне сети и управления, где они поддерживают распределение спектра, сегментирование сети и оркестрацию в реальном времени.

Федеративное обучение отнесено преимущественно к сервисному уровню, где оно позволяет устройствам обучать общие модели без передачи исходных данных на центральный сервер. Этот подход актуален для развёртывания интернета вещей, медицинских приложений и услуг расширенной реальности, где конфиденциальность данных или ограничения пропускной способности делают централизованное обучение непрактичным.

Объяснимая искусственная интеллект функционирует на всех уровнях, решая задачу прозрачности автоматизированных решений, что соответствует регуляторным требованиям, включая Общий регламент по защите данных ЕС.

Проблемы безопасности, связанные с внедрением ИИ

Интеграция искусственного интеллекта в сети 6G также порождает риски для безопасности, отсутствующие в традиционных сетевых архитектурах. Системы ИИ, обученные на больших наборах данных, могут подвергаться атакам с отравлением данных, когда вредоносные входные данные ухудшают работу модели. Федеративное обучение, несмотря на преимущества для конфиденциальности, уязвимо для атак инверсии модели, способных извлекать информацию из общих обновлений модели.

Генеративно-состязательные сети способны создавать синтетический сетевой трафик или поддельные учетные данные, обходящие традиционные системы обнаружения вторжений.

Изучаемые контрмеры включают состязательное обучение, агрегацию, устойчивую к византийским сбоям в федеративных системах, и обнаружение аномалий на основе ИИ, отслеживающее паттерны трафика в реальном времени.

Инфраструктура блокчейн рассматривается как вспомогательный уровень для аудиторских журналов и управления идентификацией в распределённых развёртываниях ИИ, с предложением более лёгких механизмов консенсуса, таких как Proof of Stake, для контроля энергозатрат.

Энергетические и аппаратные ограничения

Масштабное использование ИИ внутри сети увеличивает энергопотребление. Вычислительная нагрузка от обучения и запуска больших моделей в плотных средах устройств противоречит целям устойчивого развития, которых ожидают от операторов 6G. Направления исследований включают сжатие моделей, квантование и прунинг, которые снижают вычислительную нагрузку при выводе ИИ без значительной потери точности.

Развитие аппаратного обеспечения — ещё одно ограничение. Терагерцовая связь, работающая в диапазоне от 0,1 до 10 ТГц и являющаяся ключевой для достижения высоких скоростей в 6G, требует новых конструкций приёмопередатчиков и сталкивается с серьёзными проблемами потерь на пути распространения. Для чувствительных к задержкам приложений необходимы микросхемы периферийных вычислений, способные выполнять вывод ИИ локально, а современные конструкции чипов ещё не разрешили противоречие между вычислительной мощностью и энергопотреблением.

Квантовые вычисления представляются перспективой на более отдалённую перспективу. Квантовые алгоритмы, такие как Квантовый Приближённый Оптимизационный Алгоритм, могут решать задачи распределения ресурсов в масштабах, превосходящих возможности классической оптимизации. Интеграция с существующей инфраструктурой остаётся инженерной проблемой, учитывая текущие требования к температурам, близким к абсолютному нулю, и накладные расходы на коррекцию ошибок.

Исследователи отмечают, что совместимость между различными поставщиками и регионами остаётся нерешённой задачей. Стандартизированные интерфейсы прикладного программирования и форматы обмена данными необходимы для совместной работы компонентов искусственного интеллекта от разных производителей в рамках одного сетевого развёртывания.

Скачать: Отчёт Tines "Голос безопасности 2026"